Инкрементальность без фанатизма: как я “отрезаю” шум от MMM, когда бюджеты растут, а last-click проседает

Инкрементальность без фанатизма: как я “отрезаю” шум от MMM, когда бюджеты растут, а last-click проседает

В 2026 я всё чаще вижу одну и ту же управленческую ловушку: performance-команда видит падение last-click (последние касания “не доехали”), маркетинг давит на spend, а ответ в отчётах становится всё менее различимым — рост расходов не превращается в рост продаж так же быстро, как раньше. И это ломает привычную логику “масштабируем то, что атрибутируется”.

Моя позиция: MMM и инкрементальность нужны не как “разрешение на увеличение бюджета”, а как инструмент разметки причинно-следственных зон. То есть мы не пытаемся объяснить весь доход, мы пытаемся отделить то, что реально двигает выручку, от того, что лишь коррелирует.

Как я делаю это на практике (и почему это снижает риск самоуверенных выводов).

1) Я строю MMM с фокусом на устойчивую компоненту, а не на величину объяснённой дисперсии. В большинстве проектов “качество” модели начинают мерить по R²/fit. Но в реальности бюджеты меняются, маркетинговые миксы разъезжаются по сезонам, а внешний спрос (категория, цена, промо конкурентов) съедает остатки. Поэтому главный критерий для меня — стабильность эластичностей при умеренной перестройке спецификации: замены лагов, состава драйверов, альтернативы обработки праздников/инфляционных эффектов.

2) Я “отрезаю” медиа, которые почти наверняка не являются incremental-двигателем. Признак простой: если канал показывает сильную корреляцию с выручкой, но без согласованного лагового следа (или с нелогичными лагами), это часто индикатор маркетингового поведения рынка целиком, а не вклада канала. В таких случаях мы не спорим “виноват канал или нет”, мы проверяем через инкрементальность: моделируем тот же период, но с исключением компоненты и смотрим, что меняется в оценке общего маркетингового эффекта и в целевой метрике (обычно — вклад по сегментам спроса).

3) Я управляю решением через контрольные вопросы к результату, а не через “цифру процента”. Самый важный вопрос: оценка прироста от маркетинга “держится” на соседних окнах? Если в одном месяце канал выглядит прибыльным, а в следующем — превращается в нейтральный без изменения рынка, значит модель слишком чувствительна к шуму (кампаниям/ценам/расписаниям промо). Я обычно ставлю внутреннее правило: решение о масштабировании принимаем не на одном прогоне, а на диапазоне сценариев. Если диапазон широкий — это сигнал не “канал плохой”, а “у нас слабая идентификация эффекта”.

Одна практическая цифра, которая меня научила осторожности. В одном e-com проекте (средний чек снижался из‑за экономии аудитории) MMM показывал, что часть бренд-охватов “вроде бы” несёт рост выручки. Но после проверки на инкрементальность относительно промо-динамики цен и распределения спроса по сегментам выяснилось: эффект был сильно смешан с ценовым фактором и отложенным спросом. В результате реальное incremental-ускорение было значительно меньше — и именно поэтому performance-департамент видел “просадку атрибутируемых лидов”, хотя общий спрос по воронке не падал. Мы перестали принимать решения по last-click, но и не слепо “доверились MMM” — мы сузили применимость вывода: бюджет перераспределили в те временные окна и форматы, где лаговый след и идентификация эффекта были согласованы.

Главная мысль: инкрементальность — это не вера в модель. Это дисциплина постановки эксперимента в условиях, где эксперимента не было. И если last-click проседает, я не считаю это поводом “выкинуть performance”. Я считаю это поводом пересобрать систему принятия решений: от атрибуции по последнему касанию к управлению маркетингом как вкладом в выручку (incrementality + контроль идентификации).

— @AttributionRoom

@PrivacyTrackingRu разбирают это с практической стороны